Tante Emma erklärt Big Data.

Whitepaper · Juni 2016 · von Andrea Gebhardt

Was wir heute als Big Data verstehen, ist natürlich nichts Neues. Im Tante-Emma-Laden an der Ecke existiert Big Data seit jeher. Anhand von nachvollziehbaren Beispielen möchten wir Ihnen die Begriffe des Big Data verständlich erklären.

Big Data wird oft mit dem Begriff „Massendaten“ übersetzt. Er bezeichnet letztlich die Masse aller vorliegenden Daten, die ohne Ordnung und ohne Struktur (oder mit schwacher Struktur) anfallen. Darunter lässt sich unter Umständen wenig vorstellen. Hier hilft uns das Beispiel von Tante Emma mit ihrem Laden.

Nehmen wir an, Tante Emma steht alleine in ihrem Laden und organisiert vom Einkauf über den Verkauf und die Buchhaltung bis hin zur Steuererklärung alles selbst. Dann wäre Big Data in diesem Laden das Gedächtnis der Dame zusammen mit ihren Aufzeichnungen.

Nehmen wir noch dazu an, Tante Emma hätte das perfekte Gedächtnis. Wenn sie einen Apfel verkauft, weiß sie:

• wann und wo sie den Apfel zu welchem Preis eingekauft hat,
• wo der Apfel im Schaufenster lag,
• welchem Kind sie ihn erfolglos als Geschenk angeboten hat
• und wer ihn letztendlich gekauft hat.

Diese Informationen hat Tante Emma von jedem Artikel im Kopf. Darüber hinaus kennt sie alle Kunden persönlich und weiß, wie die Kunden miteinander verwandt sind, wo sie wohnen, was sie arbeiten, welcher Schicht sie angehören und welches Auto sie fahren. Außerdem weiß Tante Emma, was jeder Kunde gekauft hat, was sich jeder Kunde angesehen und dann doch zurückgelegt hat.

Diese chaotische Sammlung von Daten im Kopf unserer Tante Emma kann zu Recht als Big Data bezeichnet werden.

In modernen großen Einzelhandelsbetrieben fallen letztlich ebensolche Daten an den unterschiedlichsten Stellen an. Sei es im Einkauf, in der Warenwirtschaft, im Kundenservice, an der Kasse, im Onlineshop sowie bei der Erfassung von Bewegungsprofilen im Geschäft oder in den sozialen Medien.

Durch die Verschiedenartigkeit der Daten, die hohe Geschwindigkeit, in der diese Massen an Daten anfallen, und die unterschiedlichen Speicherorte und verschiedenen Formate sind die Daten jedoch nur schwer auszuwerten. Die Techniken, die auf den folgenden Seiten beschrieben werden, sollen Ihnen bei der Auswertung Ihrer Daten helfen.

Das Kunden-Cluster

Um mit der großen Masse an Kundendaten arbeiten zu können, werden die Kunden in Gruppen zusammengefasst. Es werden sogenannte Kunden-Cluster auf Grundlage verschiedener Merkmale gebildet, z. B. beim Kaufverhalten oder der Altersstruktur. Auch hier gilt: je mehr Wissen über seine Kunden vorliegt, desto genauer können sie segmentiert und auf Grundlage dessen individueller betreut werden.

Tante Emma fasst ihre Kunden z. B. in folgende Gruppen zusammen:

1. Stammkunden, die mindestens einmal in der Woche kaufen
2. Spirituosenkunden, die fast nur Hochprozentiges bei ihr kaufen
3. Normalkunden, die ab und zu und ein wenig einkaufen
4. Kinder, die Süßigkeiten kaufen
5. Laufkundschaft, die kommt und geht

Man sieht an Hand der Merkmale, die für die Gruppenzuordnung gewählt werden, dass hier verschiedene Parameter für die Einteilung berücksichtigt werden. Bei Stammkunden wird sich auf die Kauffrequenz bezogen, bei Spirituosenkunden auf den Warenkorb, bei Normalkunden auf eine Mischung aus Kauffrequenz und Bonwert, bei Kindern auf das Alter als Kundenmerkmal.

Dadurch kann ein Kunde aber durchaus in zwei Clustern vertreten sein. Er kann z. B. Stammkunde und Spirituosenkunde sein. Daraus können sich Probleme ergeben, wenn eine Kampagne geplant wird. So möchte Tante Emma z. B. zu Weihnachten den Stammkunden eine Tafel Schokolade überreichen und den Spirituosenkunden einen Flaschenöffner. Bekommt unser Beispielkunde nun beides?

Die ABC-Analyse

Eine eindeutige Segmentierung lässt sich durch die ABC-Analyse vornehmen. Dabei werden die Kunden an Hand der getätigten Umsätze eines Zeitraumes in drei Gruppen (A, B, C) eingeteilt. Hier im Beispiel teilt Tante Emma ihre Kunden in die besten 20 %, die mittleren 50 % und die schwächsten 30 % ein.

Sie hat ein gutes Gedächtnis und merkt bei der Summierung der Umsätze aller Gruppenmitglieder, dass die Gruppe A 52 % ihres Gesamtumsatzes verursacht, die Gruppe B 37 % und die Gruppe C nur 11 %. Dieses als Pareto-Prinzip bekannte Phänomen macht ihr die Planung einer Weihnachtsaktion einfach.

Ihre A-Kunden bekommen beim nächsten Einkauf als Geschenk einen Dresdner Christstollen, die B-Kunden ein Lebkuchenherz und die C-Kunden nichts. Bei der ABC-Analyse kann mit Sicherheit gesagt werden, dass nur Kunden mit relevanter Beteiligung am Unternehmenserfolg mit geeigneten Maßnahmen noch stärker an das Unternehmen gebunden werden.

RFM-Analyse

Nun überlegt Tante Emma und denkt sich, dass alleine der Umsatz einer Vorperiode als Bewertungsgrundlage eines Kunden wenig aussagekräftig ist. Welche Faktoren könnten noch wichtig für die Beurteilung eines Kunden sein?

Wann hat der Kunde zuletzt gekauft? Das würde aussagen, wie lange der Kunde nicht mehr da war. Ist das lange her, wird er vielleicht nie wieder kommen. Den Punkt findet Tante Emma wichtig.

Dann wäre da noch, wie oft oder besser in welcher Frequenz der Kunde bisher gekauft hat. Kauft er immer zum Wochenende die ganzen benötigten Lebensmittel, ist das sicher besser zu bewerten, als wenn einmal ein großer Lieferwagen hält und der Fahrer den halben Laden leerkauft. Selbst wenn der Umsatz der gleiche wäre und wenn der Kauf des Lieferwagenfahrers genau so lange her ist wie der Kauf des Stammkunden, den regelmäßigen Kunden schätzt sie wertvoller ein als den Einmalkunden.

So hat sie drei Faktoren identifiziert, die für sie den Wert eines Kunden bestimmen:

• R – Recency: Wann hat der Kunde zuletzt gekauft? (Aktualität)
• F – Frequency: Wie oft hat der Kunde gekauft? (Häufigkeit)
• M – Monetary Ratio: Welchen Umsatz hat der Kunde gebracht? (Monetärer Wert)

„Je kleiner die Recency, also je kürzer die letzte Transaktion bzw. Interaktion zurückliegt, desto aktiver ist der Kunde und desto größer wird die Wiederkaufswahrscheinlichkeit eingeschätzt.“ Bei der Frequency wird die Anzahl der Käufe im gesamten Kundenlebenszyklus betrachtet – teilweise auch nur die Käufe in den letzten 365 Tagen, um die Aussagekraft zu erhöhen. Bei der Monetary Ratio wird der Umsatz oder die Marge betrachtet.

Wie wird der RFM-Wert berechnet? Für jeden Parameter – also Recency, Frequency und Monetary Ratio – wird eine Bewertungszahl z. B. zwischen 1 und 5 vergeben. Tante Emma rechnet den RFM-Wert beispielhaft für ihren lieben Nachbarn und Kunden Günther aus:

Recency

Günther hat vor 12 Tagen das letzte Mal bei ihr eingekauft und erhält demnach einen Recency-Wert von 3 Punkten.

Letzter Einkauf vor max. bis 5 Tagen	5 Punkte
Letzter Einkauf vor max. bis 10 Tagen	4 Punkte
Letzter Einkauf vor max. bis 30 Tagen	3 Punkte
Letzter Einkauf vor max. bis 90 Tagen	2 Punkte
Letzter Einkauf vor mehr als 90 Tagen	1 Punkt

Frequency

Günther ist Stammkunde und war in den letzten 12 Monaten 26 Mal bei ihr zum Einkauf und hat somit einen Frequency-Wert von 4 Punkten.

Einkauf weniger als 3× in den letzten 12 Monaten	1 Punkt
Einkauf mind. 6× in den letzten 12 Monaten	2 Punkte
Einkauf mind. 12× in den letzten 12 Monaten	3 Punkte
Einkauf mind. 24× in den letzten 12 Monaten	4 Punkte
Einkauf mind. 36× in den letzten 12 Monaten	5 Punkte

Monetary Ratio

Bei diesen 26 Einkäufen im letzten Jahr hat Günther insgesamt 782,56 Euro bei ihr ausgegeben. Sein Monetary Ratio liegt damit bei 4 Punkten.

Umsatz der letzten 12 Monate ≤ 100,00 €	1 Punkt
Umsatz der letzten 12 Monate > 100,00 €	2 Punkte
Umsatz der letzten 12 Monate > 250,00 €	3 Punkte
Umsatz der letzten 12 Monate > 500,00 €	4 Punkte
Umsatz der letzten 12 Monate > 1.000,00 €	5 Punkte

Die einzelnen Werte werden abschließend addiert. Günther erhält nach dieser Rechnung in Summe 11 Punkte (Recency 3 + Frequency 4 + Monetary Ratio 4).

Mit dem RFM-Wert kann Tante Emma nun die Kunden kategorisieren. Unser Beispielkunde Günther landet bei RFM-Score 11 und damit im Bereich der guten Kunden, denn je höher der RFM-Score, desto höher der Kundenwert mit Sicht auf die drei Faktoren Aktualität, Häufigkeit und Umsatz.

Assoziationsanalyse

Bei der Assoziationsanalyse wird nach Regeln gesucht, die die Zusammensetzung der Warenkörbe beschreiben. Es geht also um Abhängigkeiten, die für die Optimierung von Marketing-Maßnahmen nützlich sein könnten.

Annahme: Tante Emma hat alle 100.000 Warenkörbe des letzten Jahres noch gut im Kopf und kennt deren genaue Zusammensetzung.

Warenkörbe	100.000
Warenkörbe mit Brötchen	20.000
Warenkörbe mit Marmelade	5.000
Warenkörbe mit Brötchen und Marmelade	2.000

Als sie sich die Werte genauer ansieht, fällt ihr eine Regel auf:

• In 5 % aller Warenkörbe befindet sich Marmelade (A)
• In 20 % aller Warenkörbe befinden sich Brötchen (B)
• Aber: In 10 % der Warenkörbe, die Brötchen enthalten, befindet sich Marmelade (A ∩ B)

Das Vorhandensein von Brötchen in einem Warenkorb erhöht also die Wahrscheinlichkeit des Kaufs von Marmelade um den Faktor 2. Diesen Faktor bezeichnet man als Lift.

Weil also bei Brötchenkäufern die Wahrscheinlichkeit höher ist als beim Durchschnittskäufer, dass auch Marmelade gekauft wird, räumt Tante Emma ihr Geschäft ein wenig um. Sie platziert nun die Marmelade genau neben den Brötchen in der Annahme, den Anteil der Marmeladenkäufer zu erhöhen. Das wird sie nach einer gewissen Zeit überprüfen.

Net Promoter Score

Tante Emma ist eigentlich ganz zufrieden, ihr Geschäft läuft gut und der Kontakt mit ihren Kunden macht ihr große Freude. Doch eines warmen Sonntags sitzt sie in einem Café im Ort und hört zufällig ein Gespräch am Nachbartisch. Sie erkennt eine alte Kundin wieder, die einer Bekannten vom Tante-Emma-Laden erzählt.

Sie hört, wie sie der Bekannten den Tante-Emma-Laden empfiehlt, weil der ein gutes Sortiment habe und das Personal sehr zuvorkommend und freundlich sei. Das freut Tante Emma natürlich. Sie ruft gleich am Nachmittag noch eine alte Schulfreundin in Bayern an, die dort ein Geschäft für Schreibwaren betreibt. Diese meint, ihre Kunden wären auch sehr zufrieden mit ihrem Schreibwarenladen.

Nach einem kurzen Gespräch überlegen die beiden, wie sie messen könnten, welche Kunden zufriedener sind. Die von Tante Emma oder die von deren bayerischer Freundin.

Für solche Messung gibt es die Kundenbefragung. Für den hier vorgestellten Wert für die Kundenzufriedenheit, den Net Promoter Score (NPS), ist jedoch nur eine einzige Frage in solchen Umfragen tatsächlich relevant, nämlich folgende:

Wie wahrscheinlich ist es, dass Sie dieses Unternehmen einem Freund oder Kollegen weiterempfehlen werden?

Die Kunden setzen ihr Kreuzchen auf einer Skala von 0 („Gar nicht wahrscheinlich“) bis 10 („Äußerst wahrscheinlich“) und werden dann in folgende Gruppen unterschieden:

• Promotoren = Kunden, die mit 9 oder 10 antworten (loyale Kunden)
• Detraktoren = Kunden, die mit 0 bis 6 antworten (kritische Kunden)
• Indifferente = Kunden, die mit 7 oder 8 antworten (unentschlossene Kunden)

Für den eigentlichen NPS-Wert wird der Prozentanteil der Detraktoren vom Prozentanteil der Promotoren abgezogen. Somit erhält Tante Emma eine Zahl für den NPS zwischen plus 100 und minus 100.

Das Ergebnis von Tante Emmas Kundenbefragung: 58 % sind sehr zufrieden und würden ihr Unternehmen gerne weiterempfehlen. 25 % sind allerdings eher weniger zufrieden und würden Tante Emma kaum oder auf keinen Fall weiterempfehlen.

Der NPS in unserem Beispiel: NPS = 58 % − 25 % = 33. Die Freundin aus Bayern ermittelt in ihrer Kundenbefragung einen NPS von 40. Sie hatte 60 % Promotoren und nur 20 % Detraktoren (NPS = 60 % − 20 % = 40).

Tante Emma beschließt, bei den Detraktoren nach den Gründen der geringen Zufriedenheit zu forschen, um Abhilfe leisten zu können.

Predictive Analytics

Hier geht es um die Zukunft. Tante Emma versucht, aus den Daten ihrer Kunden Voraussagen für die Zukunft zu treffen.

Nun steht die Weihnachtszeit bevor und Tante Emma muss bei ihrem Lieferanten die Gänse und Enten bestellen. Sie weiß, wie viele Gänse und Enten sie in den letzten Jahren verkauft hat, und überlegt nun, ob sich diese Zahlen dieses Jahr ändern.

Was spricht dafür, dass sie dieses Jahr mehr Gänse und Enten als im Vorjahr verkauft?

1. In den beiden letzten Jahren hatte sie sehr hochwertige Bio-Ware angeboten. Viele Kunden waren begeistert und haben schon angekündigt, dieses Jahr wieder kaufen zu wollen. Die Vorbestellungen sind jedenfalls um 10 % gestiegen. Einflussfaktor: Entwicklung der Vorbestellungen.
2. Die Feiertage liegen dieses Jahr sehr günstig, um einen Kurzurlaub mit wenigen Urlaubstagen unternehmen zu können. Das war letztes Jahr auch so gewesen, das brachte ihr auch ca. 10 % mehr Absatz. Einflussfaktor: Fällt Weihnachten auf einen Wochentag?
3. In ihrer Nähe ist ein großer Wohnblock neu bezogen worden, in dem 30 Familien wohnen, von denen auch schon die Hälfte bei ihr eingekauft hat. Einflussfaktor: Bevölkerungsentwicklung im Einzugsgebiet.

Was spricht dafür, dass sie dieses Jahr weniger Gänse und Enten als im Vorjahr verkauft?

1. Die Wettervorhersage ist für die Weihnachtstage sehr schlecht, es wird sehr warm und wenig winterlich. Tante Emma rechnet damit, dass 5 % der Kunden dann doch lieber Würstchen mit Kartoffelsalat essen. Einflussfaktor: Wettervorhersage.
2. Am anderen Ende des Dorfes hat im Sommer ein neuer Supermarkt aufgemacht. Dadurch sank ihr Umsatz sofort um 20 %. Einflussfaktor: Wettbewerb.
3. Die Einkaufspreise für Gänse und Enten wurden um 5 % erhöht. Diese Preiserhöhung muss sie leider an die Kunden weitergeben. Daher rechnet sie auch hier mit einem Absatzrückgang. Einflussfaktor: Verkaufspreis.

Tante Emma hat für alle vergangenen Jahre genau die Menge der verkauften Enten und Gänse aufgelistet und daneben immer die sechs o. g. Einflussfaktoren aufgezeichnet.

Zum Glück ist ihr Neffe Tom ganz fit mit dem Computer und hat eine Formel gefunden, die alle Werte in der Vergangenheit perfekt beschreibt. Jedem Einflussfaktor wurde eine Gewichtung zugeordnet, die die Werte perfekt abbildet.

Nun nimmt der Neffe Tom diese Formel und gibt die diesjährigen Werte für die sechs Einflussfaktoren ein. Er ermittelt, dass Tante Emma dieses Jahr 5 % mehr Enten und Gänse verkaufen wird als im Vorjahr.

Next Best Offer

Tante Emma hat nach unserer Annahme alles, was sie je von ihren Kunden erfahren hat, jeden Besuch und jedes Gespräch im Kopf. Da sie oft an der Kasse steht, möchte sie ihre Kunden noch dazu animieren, noch ein weiteres Produkt zusätzlich zu kaufen. Sie hatte das bei McDonald’s einmal gesehen. Dort fragte man sie, ob es zum Burger auch noch eine Cola sein dürfe.

Nur welches Produkt soll sie den Kunden an der Kasse vorschlagen? Sie denkt sich, dass sie bei der Auswahl an alles denken muss, was sie von den Kunden weiß. Der erste Kunde z. B. kauft Lebensmittel ein. Da morgen Muttertag ist und Tante Emma weiß, dass die Mutter des Kunden direkt im Haus neben dem Kunden wohnt, fragt sie, ob er nicht noch eine Kiste von den neuen Pralinen für seine Mutter kaufen möchte.

Der nächste Kunde hat immer gern die sauren Gummibären gekauft, heute hat er sie aber nicht im Einkaufskorb. Sie fragt nach und erhält die Antwort, dass das Fach mit den Gummibären leer sei. Sie schlägt ihm vor, anstatt dessen die sauren Heringe zu kaufen.

Next Best Offer ist somit der Vorschlag einer Ware oder Dienstleistung, der aus der Kenntnis sämtlicher Daten des Geschäfts über den Kunden getroffen wird.

Customer Lifetime Value

Für den Begriff Customer Lifetime Value existiert tatsächlich mit „Kundenwertanalyse“ ein deutscher Begriff. Doch wie misst man den Wert eines Kunden?

Als erstes überlegt sich Tante Emma, dass es sehr wichtig ist, wie viel sie durch den Kunden verdient, also nicht wie viel der Kunde an Umsatz generiert, sondern was nach Abzug der Kosten übrig bleibt. Sie denkt an Herrn Müller, der wohlhabender Rentner ist und sich jeden Tag eine Schachtel Pralinen für knapp 20,- EUR gönnt. Die kosten Tante Emma nur 10,- EUR im Einkauf, so gesehen ist Herr Müller sicher ein besserer Kunde als Frau Meier, die jeden Tag für 20,- EUR Briefmarken für ihr Schreibbüro kauft. Die Briefmarken kauft Tante Emma nämlich für 19,- EUR ein. Herr Müller scheint also ein besserer, wertvollerer Kunde zu sein.

Doch dann bedenkt sie, dass Herr Müller schon recht alt ist und wohl nicht mehr allzu lange seine Pralinen bei ihr hier kaufen wird. Frau Meier ist noch jung und wenn alles so bleibt, kauft sie vielleicht auch in zehn Jahren die Briefmarken.

Nun rechnet Tante Emma einfach mal aus, wie viel sie mit Herrn Müller und Frau Meier verdient: Herr Müller kommt jeden Tag und kauft für 20,- EUR Pralinen, Deckungsbeitrag davon sind 10,- EUR. Wenn er jedes Jahr 220 Mal kommt und noch fünf Jahre bei ihr kauft. Bei Frau Meier geht sie davon aus, dass sie noch 20 Jahre kommt, bis sie in Rente geht und keine Briefmarken mehr benötigt.

Tante Emma überlegt sich, wie sie die Kundenwerte erhöhen kann. Dass Herr Müller länger bei ihr seine Pralinen kauft, als seine Gesundheit es ihm erlaubt, ist wohl ausgeschlossen. Deshalb überlegt sie, dass sie Frau Meier ansprechen sollte, ob sie nicht auch ihre Briefumschläge und ihr Briefpapier bei ihr kaufen sollte.

Wenn Tante Emma den Deckungsbeitrag je Kauf auf 2,- EUR verdoppelt, dann würde sich auch der Kundenwert verdoppeln. Sie wird morgen Frau Meier einmal nett ansprechen und ihr Probeexemplare von Briefumschlägen und Briefpapier mitgeben.

Personalisierte Preise

Manchmal steht Tante Emma in ihrem Laden und philosophiert. Sie denkt an Frau Reich, die morgens bevor es zum Golfplatz geht, schnell durch den Laden läuft und einfach zwei Tafeln Schokolade greift, ohne auf den Preis zu achten.

Dann denkt sie an Monika, die noch in der Ausbildung steckt und mit wenig Geld auskommen muss. Monika isst auch gern Schokolade, vergleicht aber immer die Preise und wartet auf ein Sonderangebot, wo die Tafel dann nur 69 Cent kostet.

Irgendwie stört es Tante Emma, dass Frau Reich für die Tafel Schokolade dann auch nur 69 Cent zahlt, obwohl es ihr egal ist, wie viel sie bezahlt. Also denkt Tante Emma, dass es klug wäre, nur die Kunden zum Sonderangebot zu führen, denen der Preis sehr wichtig ist. Wem der Preis egal ist, der kann ruhig etwas mehr bezahlen.

Wie kann sie das machen? In einem Online-Shop, denkt sie, ließe sich das leicht machen. Da könnte sie ein Produkt etwas teurer anbieten, wenn bestimmte Faktoren zutreffen.

Für Tante Emma ist das schwierig, sie muss an jedes Produkt einen Preis schreiben, der für alle Kunden gleich ist. Sie überlegt sich zumindest, die teureren Süßigkeiten näher an die Kasse zu platzieren und die Sonderangebote etwas tiefer im Laden aufzubauen, damit Frau Reich bei ihrem nächsten Express-Shopping nur die teuren Schokoladen sieht und diese dann einfach mitnimmt.

Ausblick

Das war Emmas Welt rund um Big Data, deren Anwendungsbereiche und Möglichkeiten für ihr Marketing. Wir hoffen, eine gute Auswahl an Begriffen für Sie dargestellt zu haben. Waren die Beispiele für Sie nachvollziehbar? Wie sind Ihre Erfahrungen?

Wer die Wünsche und Bedürfnisse seiner Kunden kennt und diese dann bedient, kann auch von einer langen Kundenbeziehung ausgehen.
Dr. Jan-Erik Becker, Geschäftsführer